Unidad 1 - Investigación de Mercados y Métodos Analíticos
1MN022 - Investigación de Mercados Aplicada
Universidad del Pacífico
Datos = “Petróleo” de la economía digital.
Las aplicaciones móviles/online generan grandes flujos de datos.
Los especialistas en marketing buscan aprovechar los datos para:
construir y mantener relaciones con los clientes
personalizar productos, servicios y la mezcla de marketing
automatizar los procesos de marketing en tiempo real.
Historia del Análisis de Marketing
Big data está generando culturas de decisión basadas en datos en las empresas, brindando ventajas competitivas, y teniendo un impacto significativo en su desempeño financiero.
Formas completamente nuevas de marketing: sistemas recomendadores, geofencing, marketing de búsqueda (SEO/SEM) y retargeting.
Demanda urgente de métodos analíticos nuevos y más potentes que hagan que las operaciones de marketing basadas en datos sean más eficientes y efectivas.
Aún no está lo suficientemente claro qué tipos de análisis funcionan para qué tipos de problemas y datos, o cómo las empresas deben evolucionar.
Descripción: - Revisión histórica de cómo han evolucionado los métodos analíticos en marketing. - Un gráfico simple que ilustre esta evolución.
El Papel Central de los Datos
Ciclo de Vida de los Datos en Marketing
Gestión de las relaciones con los clientes (CRM): Adquisición, retención y satisfacción de los clientes para mejorar su valor de vida para la empresa.
La mezcla de marketing : Respaldo en la asignación de recursos para mejorar la eficacia del esfuerzo de marketing
Personalización de la mezcla de marketing a consumidores individuales, en la que se han logrado avances significativos como resultado del desarrollo de varios enfoques para capturar la heterogeneidad de los clientes.
Privacidad y seguridad.
Asignación de Recursos
Modelos Clásicos y Avances Recientes
Desafíos en la Era del Big Data
Medidas de Seguridad
Innovaciones en Análisis de Marketing
Predicciones Futuras
Beneficios del Análisis de Marketing
Impacto de la Educación
Machine Learning ayuda a responder preguntas como:
Comprender si una determinada acción, decisión, intervención o cambio de política funcionó o no.
Identificar las causas y realizar la atribución (responsable)
En retail, la inferencia causal nos ayuda a responder preguntas como:
¿Cuál fue el impacto de las decisiones operativas en el desempeño?
¿Cómo atribuye las estrategias de adquisición de clientes que funcionaron o las que no?